[發明專利]基于共生稀疏直方圖的圖像檢索方法

有效

• 申請號: 201310283992.9
• 申請日: 2013-07-08
• 公開（公告）號: CN103324753A
• 公開（公告）日: 2013-09-25
• 發明（設計）人: 劉廣海
• 申請（專利權）人: 劉廣海
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06T7/00
• 代理公司: 桂林市持衡專利商標事務所有限公司 45107
• 代理人: 陳躍琳

1.基于共生稀疏直方圖的圖像檢索方法，其特征是包括如下步驟：

（1）將彩色圖像從RGB顏色空間轉換到HSV彩色空間和Lab顏色空間；

（2）在HSV彩色空間中，將H，S和V通道分別均勻量化為8柄，3柄和3柄，得到72種顏色組合C₁(x,y)；在Lab彩色空間中，將L，a和b通道分別均勻量化為10柄，3柄和3柄，得到90種顏色組合C₂(x,y)；其中(x,y)代表圖像坐標點，C₁(x,y)的取值變化范圍是0～71，C₂(x,y)的取值變化范圍是0～89；

（3）計算C₁(x,y)和C₂(x,y)的顏色直方圖，其中C₁(x,y)的顏色直方圖表示為H₁(i)=w,w∈{0,1,..,71}，C₂(x,y)的顏色直方圖表示為H₂(i)=v,v∈{0,1,..,89}；

（4）在HSV顏色空間中，用Sobel邊緣檢測算子對彩色圖像中的每個像素f(x,y)的H，S和V三個分量進行操作，即將像素f(x,y)沿著x和y方向的梯度表示為兩個向量a(H_x,S_x,V_x)和b(H_y,S_y,V_y)，它們的點積定義為:

|a|=(Hx)2+(Sx)2+(Vx)2---(1)]]>

|b|=(Hy)2+(Sy)2+(Vy)2---(2)]]>

a·b=H_x·H_y+S_x·S_y+V_x·V_y（3）

式中，a表示像素f(x,y)沿著x方向的梯度向量，b表示像素f(x,y)沿著y方向的梯度向量，H_x表示H分量中的垂直分量，S_x表示S分量中的垂直分量，V_x表示V分量中的垂直分量；H_y表示H分量中的水平分量，S_y表示S分量中的水平分量，V_y表示V分量中的水平分量；則邊緣方向定義為：

θhsv(x,y)=arccos[a·b|a|·|b|]---(4)]]>

式中，θ_hsv(x,y)表示邊緣方向，θ_hsv(x,y)∈[0°,180°]，a表示像素f(x,y)沿著x方向的梯度向量，b表示像素f(x,y)沿著y方向的梯度向量；

對每個像素f(x,y)都計算其紋理方向θ_hsv(x,y)后，將所有的紋理方向以10°為步長進行均勻量化，量化方法為w=Round(θ_hsv(x,y)/10),其中Round(.)表示取整數，這樣就可以將紋理方向均勻量化為18個方向，則在HSV顏色空間中，量化后的邊緣方向映射定義為θ₁(x,y)，并且θ₁(x,y)=w',w'∈{0,1,..,17}；

在Lab顏色空間中，同樣采用上述辦法，對每個像素f(x,y)都計算其紋理方向θ_lab(x,y)后，將所有的紋理方向以10°為步長，同樣可以將紋理方向均勻量化為18個方向，則在Lab顏色空間中，量化后的邊緣方向映射定義為θ₂(x,y)，并且θ₂(x,y)=v',v'∈{0,1,..,17}；

（5）計算θ₁(x,y)和θ₂(x,y)的直方圖，其中θ₁(x,y)的直方圖表示為Hθ₁(i)=w'',w''∈{0,1,...,17}，θ₂(x,y)的直方圖表示為Hθ₂(i)=v'',v''∈{0,1,...,17}；

（6）在HSV顏色空間中，將H,S和V三個分量用于構建高斯金字塔H(σ),S(σ)和V(σ)，其中σ∈[0...5]表示尺度，然后通過跨尺度抽樣并產生所謂的特征映射：

F（c,s,H）=|H（c）??口??H（s）|??（5）

F（c,s,S）=|S（c）??口??S（s）|??（6）

F（c,s,V）=|V（c）??口??V（s）|??（7）

式中，F（c,s,H）表示H分量的特征映射，F（c,s,S）表示S分量的特征映射，F（c,s,V）表示V分量的特征映射，H（c）表示H分量細尺度c的高斯金字塔，H（s）表示H分量粗尺度s的高斯金字塔，S（c）表示S分量細尺度c的高斯金字塔，S（s）表示S分量粗尺度s的高斯金字塔，V（c）表示V分量細尺度c的高斯金字塔，V（s）表示V分量粗尺度s的高斯金字塔，口表示中心-周邊差操作，它是在“中心”細尺度c和“周邊”粗尺度s之間進行，并產生特征映射圖；

將每個特征映射圖縮小到尺度5，然后進行逐點相加，最后得到3個獨立顯著性圖像映射和

H‾=45⊕⊕c=0s=5N(F(c,s,H))---(8)]]>

S‾=45⊕⊕c=0s=5N(F(c,s,S))---(9)]]>

V‾=45⊕⊕c=0s=5N(F(c,s,V))---(10)]]>

式中，表示H分量的顯著性圖像映射，表示S分量的顯著性圖像映射，表示V分量的顯著性圖像映射，c表示細尺度，s表示粗尺度，表示映射圖的跨尺度相加,N(.)表示標準化；

三個3個獨立顯著性圖像映射和整合為一個顯著圖S_hsv；

Shsv=13(N(H‾)+N(S‾)+N(V‾))---(11)]]>

式中，S_hsv表示顯著圖，N(.)表示標準化；

在Lab顏色空間中，同樣采用上述方法，則可以得到在Lab顏色空間的顯著圖S_lab；

（7）將HSV顏色空間的顯著圖S_hsv和Lab顏色空間的顯著圖S_lab進行整合可以得到一個總體顯著圖S，

S=12(Shsv+Slab)---(12)]]>

式中，S_hsv表示HSV顏色空間的顯著圖，S_lab表示Lab顏色空間的顯著圖，S表示整合后的總體顯著圖；

（8）在總體顯著圖像S中，從左到右，從上倒下，以2個像素作為步長，不斷地移動2×2方格，歷遍整幅圖像；如果檢測出一個基元，則該2×2方格中的原始像素保持不變，否則將其全部設置為零值，將最終得到一個基元圖像T(x,y)，該基元圖像T(x,y)的取值變化范圍是0～255；

（9）假設基元圖像T(x,y)的值表示為l∈{0,1,..,L-1}；(x,y)和(x',y')為兩個相鄰像素，并且它們的值為T(x,y)=l₁和T(x',y')=l₂；此時在(x,y)處，θ₁(x,y)=m₁，θ₂(x,y)=m₂,C₁(x,y)=v₁，C₂(x,y)=v₂；設(x,y)和(x',y')兩個像素之間的距離為1，即是max(|x-x'|,|y-y'|)=1，共生稀疏直方圖定義如下:

H=concac{H(C₁(x,y)),H(C₂(x,y)),H(θ₁(x,y)),H(θ₂(x,y))}???（17）

式中，H(C₁(x,y))表示C₁(x,y)的共生稀疏直方圖，H(C₂(x,y))表示(C₂(x,y))的共生稀疏直方圖，H(θ₁(x,y))表示(θ₁(x,y))的共生稀疏直方圖，H(θ₂(x,y))表示(θ₂(x,y))的共生稀疏直方圖，concac{.}表示將上述四個直方圖串聯起來形成一個最終的共生稀疏直方圖，其具有72+90+18+18=198維向量；H₁(.)<H₂(.)或者Hθ₁(.)<Hθ₂(.)均表示在相同坐標點位置，在尋找不同顏色空間中的那種顏色或者那種方向出現次數最少，并且以出現最少次數的顏色或者方向作為共生稀疏直方圖的下標，即需找那個顏色空間的顏色和方向具有更強稀少性；

（10）將共生稀疏直方圖中的198維特征向量作為最終特征應用于圖像檢索，在檢索過程中采用L1距離進行圖像匹配。

2.根據權利要求1所述基于共生稀疏直方圖的圖像檢索方法，其特征是：步驟（6）中，標準化N(.)由如下步驟組成：

（6.1）歸一化映射圖中像素值，將其固定到[0,1]之間的范圍，以消除依賴于模態的幅值差異；

（6.2）計算出映射圖中最大值M的位置和其它所有局部極大值的平均值

（6.3）整幅映射圖乘以